Un ejemplo de ACP paso a paso

Francesc Carmona
Departament d’Estadı́stica
13 de enero de 2014

1. Introducción
Para ilustrar el procedimiento de cálculo, partamos de un ejemplo en el que disponemos de la valoración
media que han hecho los encuestados sobre siete marcas de coche, con arreglo a tres caracterı́sticas. En
un estudio real hubiéramos considerado no sólo tres sino diez o veinte caracterı́sticas, ya que el ACP
tiene ventajas cuando la dimensión de la tabla que se pretende analizar es muy grande.
La siguiente tabla recoge las valoraciones medias que han concedido los encuestados a cada una de las
marcas en las tres caracterı́sticas consideradas. Ası́ la marca A tiene una calificación media de 2 en la
caracterı́stica elegancia, de 3 en comodidad y 6 en deportividad.

Caracterı́sticas
Marca Elegancia Comodidad Deportividad
A 2 3 6
B 3 2 4
C 4 5 4
D 5 5 4
E 8 9 6
F 9 7 7

El objetivo del estudio es poner de relieve los factores que diferencian al máximo las marcas entre sı́,
determinar las marcas que el conjunto de encuestados considera semejantes y conocer las caracterı́sticas
causantes de este parecido o las que diferencian. Se trata de obtener un mapa sobre el cual se posicionan
las marcas y caracterı́sticas, permitiendo ver las relaciones entre ellas.

2. Preliminares
Antes de aplicar el ACP debe comprobarse si es necesario, es decir, si la correlación entre las variables
analizadas es lo suficientemente grande como para justificar la factorización de la matriz de coeficientes
de correlación. Esta comprobación puede hacerse mediante el test de Bartlett (1950), que parte de la
hipótesis nula de que la matriz de coeficientes de correlación no es significativamente distinta de la matriz
identidad. Bartlett calcula un estadı́stico basado en el valor del determinante de la matriz de coeficientes
de correlación del siguiente modo:
2
−[n − 1 − (2k + 5)/6] ln |R| ∼ χ(k 2 −k)/2

donde k es el número de variables de la matriz, n el tamaño de la muestra y R la matriz de correlaciones.

En nuestro ejemplo la matriz de correlaciones entre las caracterı́sticas es:
elegancia comodidad deportividad
elegancia 1.000 0.892 0.585
comodidad 0.892 1.000 0.519
deportividad 0.585 0.519 1.000
y la prueba de esfericidad de Bartlett para esta matriz de correlaciones es:
Bartlett's sphericity test

chi.square = 6.341 , df = 3 , p-value = 0.0961431

1
Con este resultado no deberı́amos continuar nuestro análisis ya que con un nivel de significación del
0,05 no rechazamos la hipótesis nula de esfericidad. Sin embargo, la distribución ji-cuadrado asociada
es asintótica y supone la normalidad multivariante de los datos. En nuestro caso podemos dudar de la
normalidad conjunta y, sobre todo, el tamaño muestral es muy pequeño n = 6.
Nota
El test de Bartlett tiene otro un gran inconveniente. Tiende a ser estadı́sticamente significativo
cuando el tamaño muestral n crece. Algunos autores advierten que únicamente se utilice cuando
la razón n/k sea menor que 5.

El ı́ndice de Kaiser-Meyer-Olkin o medida de adecuación muestral KMO tiene el mismo objetivo que el
test de Bartlett, se trata de saber si podemos factorizar las variables originales de forma eficiente.
El punto de partida también es la matriz de correlaciones entre las variables observadas. Sabemos que
las variables pueden estar más o menos correlacionadas, pero la correlación entre dos de ellas puede estar
influenciada por las otras. Ası́ pues, utilizaremos la correlación parcial1 para medir la relación entre dos
variables eliminando el efecto del resto. El ı́ndice KMO compara los valores de las correlaciones entre las
variables y sus correlaciones parciales. Si el ı́ndice KMO está próximo a 1, el ACP se puede hacer. Si el
ı́ndice es bajo (próximo a 0), el ACP no será relevante. Algunos autores han definido una escala para
interpretar el ı́ndice KMO de un conjunto de datos.
El siguiente resultado nos muestra la medida de adecuación muestral KMO para nuestros datos y el valor
en la escala.
$overall
[1] 0.6317966

$report
[1] "The KMO test yields a degree of common variance mediocre."

$individual
elegancia comodidad deportividad
0.5811766 0.5965991 0.8592540
Además de la medida KMO global que en nuestro caso es “mediocre”, también se han calculado las
medidas por variable de manera que podamos detectar aquellas que no están relacionadas con las demás.
Para mejorar nuestro análisis deberı́amos añadir más variables como hemos dicho al principio (y más
observaciones). Se recomienda un mı́nimo de tres variables por factor.

3. Las componentes principales

El siguiente paso consiste en la obtención de los valores y vectores propios de la matriz de covarianzas
muestral o de la matriz de coeficientes de correlación que se obtienen a partir de la matriz de datos. La
elección de una u otra matriz para realizar el ACP es una cuestión controvertida. En este caso vamos a
utilizar la matriz de correlaciones.
Importance of components:
Comp.1 Comp.2 Comp.3
Standard deviation 1.5312421 0.7421283 0.32333168
Proportion of Variance 0.7815674 0.1835848 0.03484779
Cumulative Proportion 0.7815674 0.9651522 1.00000000
La varianza asociada a cada factor (el cuadrado de las desviaciones estándar) viene expresada por su
valor propio o raı́z caracterı́stica de la matriz de coeficientes de correlación (en este caso) o de la matriz
de covarianzas.
Variances:

Comp.1 Comp.2 Comp.3

2.3447023 0.5507544 0.1045434
1 http://en.wikipedia.org/wiki/Partial_correlation

2
Los otros elementos importantes en un ACP son los vectores propios asociados a cada valor propio.
Loadings:
Comp.1 Comp.2 Comp.3
elegancia -0.619 -0.290 0.730
comodidad -0.604 -0.419 -0.678
deportividad -0.502 0.861

Comp.1 Comp.2 Comp.3

SS loadings 1.000 1.000 1.000
Proportion Var 0.333 0.333 0.333
Cumulative Var 0.333 0.667 1.000
Cada columna representa una combinación lineal (loadings) de las variables originales que proporcionan
las componentes principales o factores. Ası́ la primera componente se obtiene con la siguiente combinación:
F1 = -0.619 ∗ elegancia-0.604 ∗ comodidad-0.502 ∗ deportividad
Observamos que la primera componente tiene todos los coeficientes negativos. De manera que, aunque
no es obligatorio, por necesidades de interpretación y estéticas cambiaremos todos esos coeficientes (de
la primera componente) de signo. En consecuencia también debemos cambiar las puntuaciones o scores
de la primera componente.
Loadings:
Comp.1 Comp.2 Comp.3
elegancia 0.619 -0.290 0.730
comodidad 0.604 -0.419 -0.678
deportividad 0.502 0.861

Comp.1 Comp.2 Comp.3

SS loadings 1.000 1.000 1.000
Proportion Var 0.333 0.333 0.333
Cumulative Var 0.333 0.667 1.000

Scree plot
2.0
1.5
Variances

1.0
0.5

1.0 1.5 2.0 2.5 3.0

Components

Figura 1: Gráfico de sedimentación.

La determinación del número de factores a retener es, en parte, arbitraria y queda a juicio del investigador.
Un criterio es retener los factores con valor propio superior a 1.
También podemos representar un gráfico de sedimentación (scree plot) de los valores propios como el de
la figura 1 y considerar el número de componentes en el que el descenso se estabiliza.

3
En este caso nos inclinamos por retener los dos primeros ya que explican un 96, 52 % de la varianza y
permiten una representación gráfica en dos dimensiones.
Como los factores no son directamente observables, su denominación es, en cierto modo, subjetiva, aun-
que se basa en las cargas de los factores con las variables originales. La carga del factor es la correlación
existente entre una variable original y un factor, obtenido por combinación lineal de las variables origina-
les. Estas correlaciones se pueden calcular como producto de los coeficientes o loadings y las desviaciones
de cada componente:
Correlations:

Comp.1 Comp.2 Comp.3

elegancia 0.948 -0.215 0.236
comodidad 0.925 -0.311 -0.219
deportividad 0.769 0.639 -0.027
Con las dos primeras columnas de correlaciones como coordenadas se dibuja el cı́rculo de correlaciones 2
que permite interpretar los ejes o componentes principales.
1.0

deportividad
0.5
0.0

elegancia
comodidad
−0.5
−1.0

−1.0 −0.5 0.0 0.5 1.0

Figura 2: Cı́rculo de correlaciones.

La comunalidad es un valor que se obtiene en el análisis factorial, para cada una de las variables
originales, sumando los cuadrados de las correlaciones o cargas de los factores retenidos con la variable
para la que se calcula y que expresa la proporción de varianza de la variable extraı́da o explicada con
m factores, donde m es el número de factores retenidos. Si m es igual al número total de variables la
comunalidad será igual a 1.
Los cosenos son las correlaciones al cuadrado y su acumulación proporciona las comunalidades.
Cosinus:

Comp.1 Comp.2
elegancia 0.898 0.046
comodidad 0.855 0.097
deportividad 0.591 0.408

Communalities:

Comp.1 Comp.2 Comp.3

elegancia 0.898 0.944 1
comodidad 0.855 0.952 1
deportividad 0.591 0.999 1

4
 A

1.0
0.5
F

Comp.2

0.0
B

E
−0.5

C
D

−1 0 1 2

Comp.1

Figura 3: Representación de las marcas en dos dimensiones.

4. Resultados e interpretación del ACP

El principal resultado es el gráfico de puntuaciones de la figura 3 donde se representan las observaciones
o marcas en los ejes formados por las dos primeras componentes o factores principales.
La nube de puntos-individuos está centrada en el origen, puesto que hemos centrado los datos iniciales. No
ocurre lo mismo con la nube de variables en la figura 2. Los puntos-variables pueden, como en este caso,
estar situados todos en el mismo lado, por ejemplo, F1 > 0. Esto se debe a que las caracterı́sticas están
correlacionadas positivamente, y cuando un individuo (marca) toma valores altos en una caracterı́stica,
también los obtiene altos en las otras.
Se observa que las coordenadas de los puntos-variables son inferiores en valor absoluto a 1. Ello obedece
a que las variables han sido tipificadas, con lo cual su distancia al origen es la unidad, y al proyectarlas
sobre los ejes se puede producir una contracción y acercarse al origen, pero nunca un alejamiento.
El factor o componente principal es una variable artificial que se obtiene como combinación lineal de las
tres caracterı́sticas consideradas. Cada una de las marcas toma un valor en esta variable, su proyección.
La coordenada de un punto-variable sobre el factor es el coeficiente de correlación de éste (variable
artificial) con la variable. Ası́,

cor(elegancia, F1 ) = 0,95, cor(comodidad, F1 ) = 0,92, cor(deportividad, F1 ) = 0,77

El factor se interpreta en función de las variables más correlacionadas con él. En consecuencia, el primer
factor combina la elegancia y la comodidad y en menor medida la deportividad, opone las marcas que
toman valores altos en estas caracterı́sticas a aquellas que toman valores bajos. Es un factor que podrı́amos
llamar de prestigio. De izquierda a derecha ordena las marcas de menor a mayor prestigio.
Se observa en este ejemplo un fenómeno frecuente en el ACP. El primer factor es un factor de tama-
ño o talla. Opone los individuos que toman valores altos en todas las caracterı́sticas correlacionadas
positivamente con él, a los que toman valores bajos.
El segundo eje está muy correlacionado con la caracterı́stica deportividad. Opone las marcas que la
poseen a las que no. En el ACP clásico es un factor de forma.
La representación simultánea en la figura 4 de las dos nubes de puntos sobre el plano formado por los
dos primeros ejes facilita la interpretación.
¡Atención!

En el gráfico biplot no se busca la proximidad entre observaciones y variables. ¡Son las direcciones
lo que es importante!

5
 Figura 4: Gráfico biplot que combina la representación de las observaciones y de las variables.

En el primer cuadrante tenemos que F1 > 0, luego se caracteriza por elegancia y comodidad; además
F2 > 0, por tanto, se caracteriza por ser deportivo. En consecuencia, la marca F situada en este cuadrante
posee las tres caracterı́sticas estudiadas, y en este sentido será la mejor.
En el cuarto cuadrante F1 > 0, la marca situada en él, E, se caracteriza por la elegancia y la comodidad,
pero no es deportiva.
En el tercer cuadrante se sitúan C y D, que son semejantes, pero no se caracterizan por ninguna de estas
variables. Toman valores muy bajos para todas las caracterı́sticas consideradas, y son las peores.
En el segundo cuadrante se sitúa la marca A, que si bien no es elegante ni cómoda, sı́ es deportiva F2 > 0.

5. Rotación Varimax
Con el fin de facilitar la interpretación del significado de los factores seleccionados se suele llevar a
cabo una rotación de los ejes factoriales. Uno de los métodos más corrientes es el Varimax, desarrollado
por Kaiser (1958), que efectúa una rotación ortogonal de los ejes factoriales. El objetivo de la rotación
Varimax es conseguir que la correlación de cada una de las variables sea lo más próxima a 1 con sólo uno
de los factores y próxima a cero con todos los demás.
Recordemos que las correlaciones de las variables con las componentes obtenidas han sido las siguientes:

Correlations:

Comp.1 Comp.2
elegancia 0.948 -0.215
comodidad 0.925 -0.311
deportividad 0.769 0.639

Con la rotación varimax de dos factores se obtienen las siguientes:

RC1 RC2
elegancia 0.915 0.327
comodidad 0.947 0.234
deportividad 0.306 0.952
En el gráfico 5 se observa la rotación de las variables de forma que ahora el primer eje se identifica más
con la elegacia y la comodidad, mientras que el segundo eje coincide con la deportividad.

6
 −1.0 −0.5 0.0 0.5 1.0

1.0
3
deportividad

0.5
F
A elegancia

1
comodidad
E

RC2

0.0
0
B

−1
CD

−0.5
−2

−1.0
−3

−3 −2 −1 0 1 2 3

RC1

Figura 5: Gráfico biplot con la rotación Varimax de los ejes.

Con la rotación varimax de todos los factores se obtiene el mejor resultado, ya que practicamente asimila
cada variable con un eje.

Loadings:
RC1 RC2 RC3
elegancia 0.705 0.312 0.637
comodidad 0.938 0.253 0.237
deportividad 0.252 0.952 0.173

RC1 RC2 RC3

SS loadings 1.44 1.068 0.492
Proportion Var 0.48 0.356 0.164
Cumulative Var 0.48 0.836 1.000

Comentario

Éste es un estudio comparativo de las marcas, no evaluativo. Pueden ser todas muy buenas o muy
malas, pero el estudio determina únicamente las diferencias entre ellas, no el valor; éste se aprecia
estudiando los valores iniciales.

Referencias
[1] Abascal, Elena y Grande, Ildefonso. Métodos multivariantes para la investigación comercial, Ariel
Economı́a, Barcelona, 1989.
[2] Rakotomalala, Ricco. Tutoriels Tanagra: ACP – Description de véhicules
http://tutoriels-data-mining.blogspot.fr/2008/03/acp-description-de-vhicules.html
[3] Santesmases, Miguel. Diseño y análisis de encuestas en investigación social y de mercados, Ed. Pirá-
mide, Madrid, 2009.
[4] Saporta, Gilbert. Probabilités, Analyse de données et Statistique, Dunod, 2011.